基于频率分解与协同建模的锂离子电池健康状态评估
《Journal of Energy Storage》:Lithium-ion battery health estimation using frequency decomposition and collaborative modeling
【字体:
大
中
小
】
时间:2026年06月25日
来源:Journal of Energy Storage 10.7
编辑推荐:
林生耀|邢彦峰|杨富勇|曹举勇|张晓兵|王颖|方业生中国上海工程科学大学机械与汽车工程学院摘要本文提出了一种基于CEEMDAN频率分解的双分支健康状态预测框架,旨在解决仅使用单一模型难以同时表征电池健康状态序列中的长期退化趋势和短期动态干扰的问题。这一需求的产生源于电池老化过程中
林生耀|邢彦峰|杨富勇|曹举勇|张晓兵|王颖|方业生中国上海工程科学大学机械与汽车工程学院摘要本文提出了一种基于CEEMDAN频率分解的双分支健康状态预测框架,旨在解决仅使用单一模型难以同时表征电池健康状态序列中的长期退化趋势和短期动态干扰的问题。这一需求的产生源于电池老化过程中容量缓慢衰减、局部波动以及非平稳变化的共存现象。首先,利用带自适应噪声的完全集合经验模态分解对原始健康状态信号进行分解,再根据各分量的主导周期和能量贡献将其划分为高频和低频子序列,从而降低频率划分的主观性。接着构建一个Informer–SENet分支来预测高频残差波动,其中Informer用于捕捉时间依赖性,SENet则用于逐通道特征重新校准。对于低频子序列,则采用XGBoost分支来建模长期退化趋势。最后通过残差重建将低频趋势预测和高频残差预测结果整合,得到最终的电池健康状态估计值。实验在NASA和CALCE数据集中的四个电池样本上进行,包括B0005、B0006、CS2_35和CS2_36,并将结果与代表性的机器学习模型、序列预测模型以及消融实验模型进行了比较。实验结果表明,在所测试的四个电池样本中的三个上,该框架的预测精度优于两种序列基准模型。特别是在B0005、CS2_35和CS2_36上,该框架的MAE、RMSE和MAPE值更低,R2值更高。消融实验进一步表明,性能提升主要得益于基于CEEMDAN的频率分解以及针对不同频率的分支建模,而SENet的贡献则取决于数据特性。不过,B0006的实验结果显示,具有强烈局部再生特征的极度不规则退化轨迹仍对当前固定的频率划分和加性残差重建策略构成挑战。总体而言,该框架为锂离子电池健康状态估算提供了一种可解释的频率特定建模策略,并在大多数测试电池上展现出良好的性能。引言随着新能源汽车和储能系统的快速发展,由于其高能量密度、长循环寿命以及低自放电率,锂离子电池已被广泛应用于电动汽车、电网储能以及便携式电子设备中[1]、[2]。然而,在长期循环使用过程中,电池容量会逐渐下降,内阻也会持续增加,这可能导致性能下降甚至带来安全风险[3]。因此,准确评估电池的健康状态对于电池管理系统的安全运行和寿命管理具有重要意义[4]。准确的健康状态预测可以为电池维护、寿命评估以及系统运行优化提供重要支持,进而提升能源系统的可靠性和经济效益[5]。目前,健康状态估算方法大致可分为三类:实验方法、模型驱动方法和数据驱动方法[6]、[7]、[8]、[9]。实验方法通常从可测量的信号中提取与电池老化相关的健康指标,然后通过阈值判断、回归分析或经验映射关系来估算健康状态[10]、[11]。尽管这些方法实现相对简单,但它们往往依赖于完整的充放电过程、休息时间或特定的激励条件,这限制了其在在线应用中的可行性。同时,它们对温度、电流速率以及工作条件变化较为敏感,难以适应实际电动汽车和储能系统中的动态工作场景[12]。模型驱动方法则基于电化学模型或工程简化的模型,如伪二维/Doyle-Fuller-Newman模型以及结合卡尔曼滤波或观测器的等效电路模型,通过引入物理约束可以提高模型的可解释性和稳定性[13]、[14]。然而,电化学模型通常涉及众多难以确定的参数,且计算成本较高;而简化模型则受到结构假设的限制,其参数可能会随着充电状态、温度以及老化程度的变化而发生显著偏移,这仍然导致其在跨条件和跨电池应用中的泛化能力不足[15]、[16]。相比之下,数据驱动方法直接学习健康状态与电压、电流和温度等运行变量之间的映射关系,在非线性特征提取以及适应复杂工作条件方面具有明显优势[17]、[18]、[19]、[20]。例如,Severson等人[21]证明,仅通过早期循环的数据就能在电池出现明显退化之前预测其使用寿命,这为缩短测试周期和提高预测前瞻性提供了重要依据。Attia等人[22]进一步将机器学习与闭环优化相结合,用于快速充电协议的搜索,展现了数据驱动方法在预测与决策集成方面的潜力。尽管如此,数据驱动的健康状态估算仍面临诸多挑战,包括数据分布偏移、多源信号质量不一致、噪声和传感器偏差,以及可解释性和可靠性不足等问题。因此,传统的单输入或单路径建模策略往往难以在统一的特征空间中同时捕捉长期退化趋势和短期动态干扰[23]、[24]、[25]、[26]。在此背景下,引入结构化的多分支建模策略有助于在不同时间尺度上获取互补的退化信息。不过,这类模型在更广泛的操作条件、电池化学类型以及老化路径下的泛化能力仍需进一步验证。近期研究从不同角度进一步提升了数据驱动的电池健康状态估算技术。基于充电特征的方法从充电时间、电压响应、电流变化、增量容量曲线或电化学阻抗特性中提取健康指标,进而建立与健康状态的回归关系[27]、[28]。例如,郭等人通过变换不同老化阶段的充电曲线来估算健康状态,而蔡和林则提出了基于充电电流和电压曲线特征的高斯过程回归模型。此外,还出现了基于图像的特征变换方法,用以增强与退化相关的模式表现[29]。毛等人利用Gramian角场将来自增量容量和充电电压曲线的健康指标转换为二维图像,然后结合2D-CNN和BiLSTM来估算健康状态。另外,基于分解的和混合学习方法也得到了广泛研究。邱等人[30]采用基于CEEMDAN的数据预处理方法结合改进的学习模型来预测锂离子电池的使用寿命,吴等人[31]则进一步探索了结合频率划分学习的CEEMDAN分解方法用于寿命预测。此外,还有研究探讨了自适应双模型策略,以提高健康状态估算模型在退化条件变化时的适用性。例如,Bustos等人[32]提出了用于电池健康状态估算的自适应双交互模型算法。这些研究表明,特征提取、信号分解、深度学习以及自适应建模都为电池健康状态估算做出了贡献。然而,许多现有方法仍然在统一的特征空间中对与退化相关的信息进行建模,且长期退化趋势与短期局部波动之间的相互作用可能并未被明确分离。因此,进一步探索针对不同频率的协同建模方法,对于提升健康状态估算的可解释性和稳定性仍具有重要意义。在数据驱动的健康状态估算中,时频分解常被用来应对电池退化序列中的非平稳性和噪声干扰。以往的研究表明,小波分解、变分模态分解、经验模态分解以及CEEMDAN在一定程度上能够减轻容量再生、随机波动以及测量噪声对预测模型的影响,同时提高与退化相关特征的区分度[33]、[34]。然而,不同频率带中的分量在物理意义或信息规模上并不一致。如果将所有分解后的分量直接输入到同一个预测模型中,短期波动信息可能会与长期退化趋势相互耦合,从而限制模型在复杂工况和跨电池场景下的稳定性和泛化能力。相比之下,CEEMDAN引入了自适应噪声辅助的集合分解和完整重建机制,有望减少模式混合现象,为原始健康状态信号提供更清晰的多尺度表示。这使得它成为构建高频干扰分量和低频退化分量的理想选择,以便后续进行针对不同频率的建模[35]、[36]。不过,不同的分解方法在重建完整性、模式混合抑制效果、参数依赖性以及计算成本方面可能存在差异。因此,为了更为客观地选择CEEMDAN,本研究在实验部分从分解质量、计算效率以及下游预测性能(包括重建误差、正交性指数、模式混合指数、运行时间以及下游RMSE值)等方面,进一步比较了EMD、EEMD、VMD和CEEMDAN的性能。这一定量比较旨在验证CEEMDAN是否能为所提出的针对不同频率的协同建模框架提供合适的分解基础。此外,即便在进行了信号分解之后,如果仍使用单一预测模型来统一处理所有分量,那么就依然难以同时捕捉长期退化趋势的平滑演变以及短期动态响应的快速变化。低频分量通常承载着跨循环积累的退化信息,因此更适合用于描述整体的退化趋势,而高频分量则对工况变化、瞬态响应以及局部干扰更为敏感。当单一模型在共享的参数空间内学习这两类不同的特征时,可能会出现表征冲突和信息稀释现象,进而影响估算的准确性和稳健性[37]。因此,有必要为不同频率带的特征构建基于分支的建模框架,以便同时利用长期趋势信息和短期动态信息。基于以上分析,本文提出了一种结合CEEMDAN频率分解与Informer–SENet和XGBoost的健康状态估算框架,如图1所示。首先,利用CEEMDAN将原始健康状态信号分解为多个IMF分量和一个残差项,再通过主导周期和能量贡献分析将这些分量划分为高频和低频子序列。随后,构建一个Informer–SENet分支来建模高频残差波动,同时采用XGBoost分支来建模低频退化趋势。最后,通过残差重建将两个分支的输出结果整合,得到最终的电池健康状态估计值。该框架旨在通过明确分离长期趋势信息与短期动态干扰,提升所测试电池样本的预测精度和模型稳定性。本文的主要贡献如下:(1)构建了一种基于CEEMDAN的健康状态分解及定量频率划分策略。通过主导周期和能量贡献分析,将分解得到的IMF分量划分为高频和低频子序列,为针对不同频率的健康状态建模提供了可重复的基础。(2)根据频率分量的不同特性,设计了一种双分支协同建模框架。其中Informer–SENet分支用于建模高频残差波动,XGBoost分支用于建模低频退化趋势,从而减少了短期干扰与长期退化信息之间的表征冲突。(3)通过预测对比、定量频率划分分析以及B0006故障案例分析,评估了该框架在NASA和CALCE公开电池数据集上的有效性及局限性。实验结果显示,该框架在大多数测试电池上的性能有所提升,同时也暴露出在具有高度不规则退化轨迹的情况下,固定频率划分方法的局限性。本文的其余部分安排如下:第2节介绍了本研究中使用的NASA和CALCE电池数据集,以及健康状态的定义、健康特征提取流程和特征选择结果。第3节阐述了所提出的基于CEEMDAN的双分支健康状态估算方法,包括将健康状态信号分解为高频和低频子序列以及构建相应的预测分支。第4节给出了实验结果与分析,内容包括分解与频率划分分析、预测性能比较、消融实验、稳健性分析以及故障案例分析。最后,第5节对本文进行总结,并指出未来的研究方向。数据集与健康状态定义为验证所提方法在不同退化模式和数据来源下的适用性,本研究采用了NASA公开的锂离子电池老化数据集以及马里兰大学先进生命周期工程中心(CALCE)的电池数据集。这两个数据集均来自权威机构建立的标准化测试平台,其中包含了较为完整的充放电记录以及关键运行参数。基于CEEMDAN的信号分解与定量频率划分在实际使用中,锂离子电池的健康状态序列通常包含多尺度信息。一方面,容量衰减和内阻增大等老化机制会导致健康状态缓慢长期下降;另一方面,温度变化、负载干扰以及测量噪声则可能引入短期波动和非平稳变化。如果将统一模型直接应用于原始序列,预测结果很容易受到影响。结果与讨论为了评估所提出的CEEMDAN–Informer–SENet–XGBoost框架在锂离子电池健康状态估算方面的有效性和局限性,我们在NASA的B0005和B0006电池以及CALCE的CS2_35和CS2_36电池上进行了实验。实验分析包括四个方面:(1)CEEMDAN分解与定量频率分段分析;(2)健康状态预测性能比较;(3)消融研究与基线对比;(4)稳健性及局限性分析。结论本文提出了一种基于CEEMDAN–Informer–SENet–XGBoost的双分支框架,用于锂离子电池健康状态估算。该框架旨在解决单一模型可能无法同时捕捉健康状态序列中的长期退化趋势和短期局部波动这一问题。在所提出的方法中,首先利用CEEMDAN将原始健康状态序列分解为多个惯性模态函数分量以及一个残差项。为减少分量分组的主观性,对分解后的结果进行了进一步处理。CRediT作者贡献声明林胜耀:撰写——初稿、可视化、软件、方法论、形式分析、数据整理、概念设计。邢彦锋:撰写——审阅与编辑、验证、监督、项目管理、资金获取。杨富勇:撰写——审阅与编辑、调研。曹久勇:调研、数据整理。张晓兵:可视化、验证。王颖:撰写——审阅与编辑、监督。方业生:撰写——审阅与编辑、验证、形式分析。资金支持本研究得到了中国国家自然科学基金的支持,项目编号为52575584。利益冲突声明作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢作者衷心感谢公开可用的NASA和CALCE电池数据集,这些数据集为本研究的实验验证提供了重要支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号